I.11Классификация, ранжирование и сопоставление

KRISSBERT — контекстный энкодер для связывания упоминаний биомедицинских сущностей с каноническими идентификаторами, разработанный авторами работы Zhang et al. Модель предназначена для поиска сущности в тексте с учётом контекста упоминания, включая разрешение неоднозначностей, например различение значений «ER» по контексту предложения. Модель построена на архитектуре BERT и инициализирована параметрами PubMedBERT, после чего продолжительно предобучалась на названиях сущностей из онтологии UMLS и аннотациях PubMed. Размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. README демонстрирует связывание сущностей на данных MedMentions с точностью top-1 около 58,3%; в экспериментах авторов модель оценивалась на семи стандартных наборах для биомедицинского entity linking. Модель принимает текст и выдаёт контекстные признаки, которые можно использовать для сопоставления упоминаний с прототипами сущностей и выбора канонического идентификатора UMLS. Она ориентирована на англоязычные биомедицинские тексты; лицензия — MIT. Показатель из README относится к описанному сценарию MedMentions и не гарантирует такую же точность на других данных.

DeBERTa-base — англоязычная модель семейства DeBERTa, разработанная Microsoft. Это плотная трансформерная модель с 151,8 млн параметров, использующая раздельное представление содержимого и относительных позиций в механизме внимания, а также улучшенный декодер маски. Она предназначена для восстановления замаскированных токенов и может служить основой для дообучения на задачах понимания естественного языка. В карточке приведены результаты дообучения на SQuAD 1.1, SQuAD 2.0 и MNLI. Модель принимает текст и предсказывает замаскированные в нём токены. Контекст ограничен 512 токенами; доступны форматы PyTorch и TensorFlow. Лицензия — MIT. Карточка сообщает о преимуществах относительно BERT-base и RoBERTa-base на большинстве задач NLU, но приведённые показатели относятся к отдельным наборам оценки; они не гарантируют такого же качества в других сценариях.

Японская модель Globis University на базе DeBERTa V3, дообученная на японских текстовых ресурсах и предназначенная для задач классификации токенов. Модель содержит 40,6 млн параметров, использует архитектуру DeBERTa V2 и обрабатывает последовательности длиной до 512 токенов; для неё заявлен pipeline token-classification. Токенизатор обучен с использованием метода Кудо и словаря UniDic-CWJ. При выводе не требуется морфологический анализатор, а границы токенов в целом согласуются с границами слов. В README также приведены результаты оценивания на японских задачах семантического сходства и понимания текста, включая JSTS, JNLI, JSQuAD и JCQA. Модель ориентирована на японский язык. Репозиторий распространяется по лицензии CC BY-SA 4.0. Конкретные метрики для прикладных сценариев классификации токенов в карточке не приведены.

deka-qwen3-emb-0.6b-infonce-lay — плотная модель эмбеддингов, разработанная anonymousresearch123 путём полного дообучения Qwen/Qwen3-Embedding-0.6B. Она предназначена для поиска решений Верховного суда Таиланда по текстовым запросам: вариант обучен на запросах в простом регистре lay, сопоставляемых с текстом fact. Для получения эмбеддингов используются последний токен при левом дополнении и L2-нормализация; запросы должны содержать префикс-инструкцию, использованную при обучении, а документы — нет. Модель содержит 507,6 млн параметров, использует архитектуру Qwen3 и поддерживает контекст до 32 768 токенов. README приводит результаты полно-корпусной оценки с чистыми релевантными документами: Recall@10 составляет 19,52 для запросов user, 26,19 для lawer и 31,9 для fact. Модель выпущена под лицензией Apache-2.0.

deka-qwen3-emb-0.6b-infonce-lay-anompos — текстовая модель эмбеддингов, созданная anonymousresearch123 полным дообучением Qwen/Qwen3-Embedding-0.6B для поиска дел Верховного суда Таиланда. Она кодирует запросы и документы в векторы для семантического поиска и извлечения релевантных дел; обучалась сопоставлять запросы на разговорном тайском языке с текстами фактических обстоятельств дела методом InfoNCE. Модель использует архитектуру Qwen3 с плотными эмбеддингами, библиотеку sentence-transformers, объединение по последнему токену и L2-нормализацию; содержит 507,6 млн параметров и поддерживает контекст до 32 768 токенов. Для запросов требуется добавлять префикс инструкции, использованный при обучении; для документов префикс не нужен. На тесте качество поиска различалось в зависимости от типа текста запроса, поэтому результаты следует оценивать на данных целевого сценария. Модель распространяется по лицензии Apache-2.0.

Модель deka-qwen3-emb-0.6b-triplet-lawyer разработана anonymousresearch123 и представляет собой полноценно дообученную Qwen/Qwen3-Embedding-0.6B для поиска дел Верховного суда Таиланда. Она кодирует тексты запросов и судебных документов в нормализованные эмбеддинги для семантического поиска; модель обучалась по triplet objective, с сопоставлением запросов с текстами фактических обстоятельств дела. Для запросов требуется префикс-инструкция, использованный при обучении, а документы подаются без него. Модель построена на архитектуре Qwen3, содержит 507,6 млн параметров, использует pooling последнего токена и поддерживает контекст до 32 768 токенов. Карточка указывает тайский язык и лицензию Apache-2.0. В опубликованной оценке на полном корпусе показатели R@10 составили 11,9 для пользовательских запросов, 24,76 для запросов в регистре юристов и 32,86 для текстов фактических обстоятельств; качество зависит от типа запроса, поэтому для других регистров и корпусов результаты могут отличаться.

Модель deka-qwen3-emb-0.6b-triplet-lay-anompos разработана anonymousresearch123 как полноразмерное дообучение Qwen/Qwen3-Embedding-0.6B для поиска дел Верховного суда Таиланда. Она кодирует запросы и документы в нормализованные текстовые эмбеддинги для семантического поиска и ранжирования кандидатов; при обучении использованы триплетная цель и сопоставление запросов с текстами фактических обстоятельств дела. Модель основана на плотной архитектуре Qwen3, содержит 507,6 млн параметров и поддерживает контекст до 32 768 токенов. Для запросов необходимо добавлять инструкционный префикс, использованный при обучении, а документы передавать без него. На тесте качество различалось по регистру запросов: R@10 составил 12,38 для пользовательских запросов, 26,67 для запросов юристов и 30,0 для запросов в регистре фактических обстоятельств. Модель предназначена для тайского юридического корпуса; лицензия Apache-2.0.

maastrichtlawtech/distilcamembert-lleqa — модель эмбеддингов на базе DistilCamemBERT, разработанная Maastricht Law and Tech Lab. Она преобразует предложения и абзацы на французском языке в плотные векторы размерностью 768 и дообучена на наборе LLeQA для поиска нормативных статей, релевантных юридическим вопросам. Модель подходит для семантического поиска и кластеризации; обучение на парах «вопрос—статья» использует контрастивную цель. В оценке на тестовой части LLeQA с 195 вопросами и корпусом из 27,9 тыс. статей показаны MRR@10 36,67 и Recall@500 90,17. Модель содержит 81,2 млн параметров, построена на архитектуре CamemBERT и имеет контекстное окно 514 токенов. Доступна в форматах PyTorch и Safetensors. Она предназначена прежде всего для поиска по франкоязычным правовым материалам бельгийского законодательства; результаты оценки относятся к LLeQA и не гарантируют аналогичного качества на других корпусах. Лицензия — Apache-2.0.

Это базовая регистрозависимая модель ELECTRA для турецкого языка, опубликованная командой MDZ Digital Library при Баварской государственной библиотеке. Модель с архитектурой ElectraForPreTraining обучена распознавать исходные токены и заменённые токены, созданные другой нейросетью; она служит предварительно обученной основой для дальнейшей настройки под задачи обработки языка. Модель содержит 137,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в форматах PyTorch, TensorFlow и Safetensors. Обучение проводилось на турецком корпусе объёмом 35 ГБ, включающем OSCAR, Википедию, OPUS и специальный корпус. Её можно адаптировать для разметки частей речи, распознавания именованных сущностей и других задач понимания турецкого текста. Лицензия — MIT. Это дискриминатор ELECTRA для предобучения и донастройки, а не готовая генеративная модель; качество на конкретной прикладной задаче зависит от дополнительного обучения и оценки.

Parveshiiii/Embedding — конвертированная модель на архитектуре XLM-RoBERTa large с объединением представления CLS для получения эмбеддингов текста. В README указано, что модель ещё не обучена; её можно дообучить для задач векторного представления текста. Модель основана на FacebookAI/xlm-roberta-large и содержит 658,7 млн параметров. Она принимает текст и формирует векторные представления, которые могут использоваться для поиска похожих предложений и извлечения признаков. Базовая XLM-RoBERTa рассчитана на 100 языков; у самой модели нет подтверждённых результатов обучения эмбеддингов. Репозиторий использует Sentence Transformers и формат safetensors, лицензия — Apache-2.0.

Finance Sentiment ZH — модель bards.ai для определения тональности китайских финансовых новостей. Она дообучена на основе google-bert/bert-base-chinese на переведённой версии Financial PhraseBank в течение 10 эпох и предсказывает одну из трёх меток: положительная, отрицательная или нейтральная. Модель использует архитектуру BERT с классификационной головой, содержит 129,5 млн параметров и обрабатывает текст с контекстом до 512 токенов. В карточке указаны macro F1 0,966, точность 0,963 и полнота 0,969; результаты приведены для оценки на RTX 3090. Модель подходит для анализа тональности финансовых новостей на китайском языке. Доступна по лицензии Apache-2.0.

GbrlOl/finetune-embedding-all-MiniLM-L6-v2-geotechnical-test-v4 — дообученный на 1 622 примерах геотехнического корпуса энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2. Модель построена на BERT с mean pooling и нормализацией и преобразует текстовые запросы и фрагменты документов в плотные векторы размерности 384; для оценки сходства используется косинусное сходство. В метаданных указано 25,9 млн параметров и нативный контекст 512 токенов, а карточка модели задаёт максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов в геотехнических материалах, поиска ответов и релевантных фрагментов по запросу, а также кластеризации и классификации текстов. В README приведён пример испаноязычного запроса к техническому документу; по нему нельзя установить полный перечень поддерживаемых языков. Лицензия в предоставленных данных не указана. Показатели оценки приведены для STS и поиска дубликатов Quora, поэтому они сами по себе не подтверждают качество на геотехнических задачах.

FinSense — англоязычная модель классификации тональности финансовых новостей, разработанная Анкитом Аглаве. Она дообучена на answerdotai/ModernBERT-base и присваивает тексту одну из трёх меток: positive, neutral или negative. Модель предназначена для анализа заголовков, новостных сообщений и предложений аналитиков, а также пакетной оценки большого числа финансовых текстов. В основе лежит encoder-only архитектура ModernBERT с 149 млн параметров и контекстом до 8192 токенов. Карточка сообщает о быстрой работе с Flash Attention и возможности запуска на CPU. На отложенном тестовом наборе Financial PhraseBank модель показала accuracy 0,8675 и macro-F1 0,8589; авторы публикуют скрипт разбиения данных и результаты нескольких запусков, но отмечают, что независимая оценка на данных вне обучающего корпуса пока не опубликована. Весы доступны по лицензии Apache-2.0. Модель обучалась на Financial PhraseBank, распространяемом по CC BY-NC-SA, поэтому коммерческим пользователям следует учитывать условия лицензии датасета. Классификация отражает тональность финансового текста и сама по себе не является рекомендацией для инвестиционных решений.

Flacuna — языковая модель, разработанная Declare Lab путём дообучения Vicuna на наборе инструкций Flan-mini с помощью LoRA. Это плотная авторегрессионная модель семейства LLaMA с 12,9 млрд параметров; в карточке Hugging Face указаны формат PyTorch и контекст до 2048 токенов. Модель предназначена прежде всего для решения задач по текстовым инструкциям: в опубликованных оценках показала улучшение по сравнению с Vicuna на нескольких тестах рассуждения и решения задач, включая MMLU, BBH, DROP и CRASS. Flacuna также может отвечать на вопросы, поддерживать диалог и помогать с письмом, однако авторы рекомендуют для роли чат-бота или ассистента по письму предпочесть Vicuna. В тесте HumanEval результат Flacuna был ниже, чем у Vicuna, поэтому её преимущества не распространяются на все задачи. Обучающие данные включали англоязычные инструкционные и разговорные наборы; README не подтверждает поддержку конкретных языков помимо этого. Лицензия указана как other, поэтому условия использования следует сверить с лицензиями базовой модели и репозитория.

Immerwinter/gbert-large-privacy-policy-content-userrights — немецкоязычная модель классификации текста, разработанная на основе deepset/gbert-large и дообученная для анализа содержания политик конфиденциальности. README относит её к анализу раздела UserRights, связанного с правами пользователей. Модель использует архитектуру BERT для классификации последовательностей, содержит 434,5 млн параметров и принимает текст длиной до 512 токенов. Репозиторий включает веса safetensors и формат ONNX; лицензия — Apache-2.0. Модель подходит для выделения и классификации фрагментов политики, описывающих права пользователей. Доступная карточка не раскрывает метки классов, обучающие данные, метрики качества и подробности использования; немецкий язык указан в метаданных, а пометка «English version» в README не подтверждает поддержку английского моделью.

Immerwinter/gelectra-large-privacy-policy-content-purpose — дообученная немецкоязычная модель ELECTRA для классификации фрагментов политики конфиденциальности по категориям содержания, включая Purpose (цели обработки), Audience, Contact, Deletion, LegalBasis, Retention, Security/Privacy, Sharing и UserRights. Она предназначена для анализа и разметки текстов политик конфиденциальности; README также упоминает контекст и тему, но не поясняет их формат или способ использования. Модель основана на deepset/gelectra-large, содержит 434,5 млн параметров и принимает последовательности длиной до 512 токенов. Доступны веса в форматах Safetensors и ONNX. Лицензия — Apache-2.0. Карточка перечисляет категории разметки, но не сообщает метрики качества и подробности обучения.

GPT-BERT (BabyLM 100M) — модель на 111,7 млн параметров, представленная как участник соревнования BabyLM 2024. Она обучена на наборе Baby-cosmo-fine-100M; автор README также сообщает о публикации обучающих скриптов. В метаданных указана архитектура LtgbertFoCausalLM, формат PyTorch, английский язык и контекст длиной 512 токенов. Модель предназначена для генерации текста и языковых задач, включая заполнение пропусков, классификацию текста и токенов, ответы на вопросы и multiple choice. Для практического использования доступны веса в формате PyTorch; модель распространяется по лицензии MIT. README не приводит оценки качества или подробностей о режимах применения.

Модель wls04/hprm_terminal_Qwen3-1.7B — дообученная с помощью TRL модель Qwen3-1.7B от Qwen. По метаданным она использует архитектуру Qwen3ForTokenClassification и предназначена для классификации токенов; карточка также показывает пример генерации ответа на вопрос, но он не подтверждает отдельную задачу модели. Модель содержит 1,7 млрд параметров, принимает текст и имеет контекстное окно до 40 960 токенов. В репозитории указаны веса в формате safetensors и лицензия Qwen3; в доступных данных конкретный идентификатор лицензии отсутствует.

IDEFICS-9B — мультимодальная модель Hugging Face для работы с изображениями и текстом, созданная как открытая реализация подхода Flamingo. Она принимает текст вместе с одним или несколькими изображениями и генерирует текстовые ответы; без изображений может использоваться как языковая модель. Модель предназначена для визуальных вопросов и ответов, описания изображений и создания историй, связанных с несколькими изображениями. Архитектура объединяет визуальный энкодер CLIP ViT-H/14 и языковую модель LLaMA-65B, связанные новыми блоками Transformer с перекрёстным вниманием. В карточке указано 9 млрд параметров; метаданные репозитория сообщают 6,6 млрд. Модель рассчитана на английский язык, обучалась в том числе на наборах OBELICS, Wikipedia, PMD и LAION-2B-en, а длина контекста составляет 2048 токенов. Она демонстрирует возможности few-shot обучения на визуально-текстовых задачах и может служить основой для дообучения на пользовательских данных. Модель не генерирует изображения. Её ответы могут содержать фактические ошибки и вредные стереотипы, поэтому их следует проверять. Лицензия указана как other; карточка отсылает к отдельному разделу License для условий использования.

IT-EMOTION-ANALYZER — модель классификации итальянских предложений и абзацев по шести эмоциям: грусть, радость, любовь, гнев, страх и удивление. Она разработана aiknowyou и обучена с помощью AutoTrain на переводном наборе данных, включая данные, переведённые Google Translator; в метаданных также указан набор dair-ai/emotion. Модель построена на архитектуре BERT и содержит 137,1 млн параметров. Она принимает текст и возвращает класс эмоции; максимальная длина контекста — 512 токенов. В карточке приведены метрики валидации: accuracy и macro F1 по 0,828. Лицензия — CC BY-SA 4.0. Результаты могут зависеть от качества автоматического перевода обучающих данных и от того, насколько тексты соответствуют данным обучения; метрики карточки не гарантируют такое же качество на новых данных.

Huffon/klue-roberta-base-nli — модель классификации текста на основе RoBERTa, опубликованная пользователем Huffon на Hugging Face. Она предназначена для определения отношения между текстовыми фрагментами в задаче распознавания логического следования (NLI), в первую очередь для корейского языка; карточка рекомендует запуск через text-classification. Модель содержит 137,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает последовательности длиной до 512 токенов. В карточке указан набор данных KLUE. Доступные сведения не уточняют метки классов, показатели качества или лицензию.

Карточка модели sureshnam9/Llama-4-Maverick-17B-128E-Instruct-FP8 на Hugging Face совпадает с карточкой meta-llama/Llama-4-Maverick-17B-128E-Instruct, поэтому описание составлено по ней. Llama 4 Maverick Instruct — мультимодальная модель Meta для диалогов и задач понимания изображений. Это авторегрессионная модель с архитектурой смеси экспертов (MoE) и ранним объединением модальностей; в варианте Maverick используются 17 млрд параметров и 128 экспертов. Модель предназначена для чат-ассистентов и визуальных задач: распознавания и анализа изображений, составления описаний и ответов на вопросы по изображению. Она поддерживает арабский, немецкий, английский, испанский, французский, хинди, индонезийский, итальянский, португальский, тайский, тагальский и вьетнамский языки. Проверено понимание до пяти входных изображений; для большего числа изображений требуется дополнительная проверка в конкретном приложении. Модель разработала Meta. Репозиторий содержит дообученную версию базовой Llama 4 Maverick, распространяемую в формате Safetensors. Использование регулируется пользовательской коммерческой лицензией Llama 4 Community License и Acceptable Use Policy.

Llama-4-Scout-17B-16E-Instruct — мультимодальная инструкционная модель Meta, опубликованная на Hugging Face организацией RedHatAI. Она построена на авторегрессионной архитектуре Llama 4 с механизмом смеси экспертов (MoE): 17 млрд параметров и 16 экспертов. Модель принимает текст и изображения и предназначена для диалогов, визуального анализа и рассуждений по изображениям. Модель подходит для ответов на вопросы об изображениях, их описания и распознавания визуальных деталей, а также для многоязычного общения. Заявлена поддержка арабского, немецкого, английского, испанского, французского, хинди, индонезийского, итальянского, португальского, тайского, тагальского и вьетнамского языков. Модель протестирована для понимания до пяти входных изображений; для большего числа изображений требуется дополнительная проверка. В README также отмечены возможные риски ошибочных или небезопасных ответов и необходимость учитывать лицензионные ограничения. Модель распространяется по пользовательской коммерческой лицензии Llama 4 Community License Agreement. Карточка сообщает о проверке в RHOAI 2.20, RHAIIS 3.0 и RHELAI 1.5.

Это дообученный визуальный энкодер на базе DINOv2 ViT-S/14 для сравнения визуального стиля китайских и английских надписей. Модель разработана для извлечения признаков из обрезанных изображений текстовых фрагментов и строк; для работы достаточно включённых в репозиторий весов. Обработка сохраняет соотношение сторон и дополняет изображение до 112 × 448 пикселей. Энкодер выдаёт три L2-нормированных вектора: общее представление типографики и внешнего вида размером 256, признаки шрифта размером 128 и признаки оформления размером 128, включая заливку, обводку, тень и прозрачность. Также доступны восемь локальных исследовательских токенов размерности 384. Эти представления подходят для сопоставления стиля внутри одного языка и между китайским и английским текстом; модель не распознаёт текст. Модель лучше всего подходит для контролируемых синтетических изображений китайского и английского текста. Работа с реальными фотографиями, другими письменностями и использованием токенов как условий для генератора не проверялась. Лицензия — Apache-2.0.

Math-RoBerta — языковая модель на базе RoBERTa-large, дообученная лабораторией UF AI-CEN на 3 млн публикаций учащихся и наставников с платформы Algebra Nation. Она предназначена для NLP-сценариев в среде математического обучения и может служить основой для классификации текстов, семантического поиска и ответов на вопросы. В карточке указаны 24 слоя и около 355 млн параметров; метаданные Hugging Face указывают 454,1 млн параметров и контекст до 514 токенов. Пример загрузки использует RobertaModel для получения представлений текста, а pipeline_tag модели обозначен как text-generation. Модель принимает текст и работает на английском языке. Веса опубликованы в формате PyTorch; лицензия — MIT. README описывает её как основу для дальнейших NLP-задач, поэтому пригодность для конкретного применения зависит от последующей настройки и оценки на целевых данных.

Migician — мультимодальная модель You Li и соавторов для локализации объектов и других свободно сформулированных запросов сразу по нескольким изображениям. Она дообучена на базе Qwen/Qwen2-VL-7B-Instruct и использует плотную архитектуру Qwen2-VL с 7,1 млрд параметров. Модель принимает изображения и текстовые инструкции, а координаты областей выдаёт в текстовом формате; контекст составляет до 32 768 токенов. Модель предназначена прежде всего для многокадрового визуального grounding: например, чтобы найти упомянутый объект на одном или нескольких изображениях и вернуть его координаты. Авторы также сообщают о конкурентных результатах на тестах общего понимания нескольких изображений. Веса доступны в формате safetensors, библиотека для работы — Transformers. Лицензия Apache-2.0.

Mursit-Large — турецкоязычная модель masked language modeling, разработанная NewMind AI и представленная в работе Mecellem Models. Она обучена с нуля на корпусе примерно из 112,7 млрд токенов, включающем преимущественно турецкие тексты из юридической области и общего веба. Модель использует плотную архитектуру ModernBERT-large с 403,6 млн параметров и контекстом до 2048 токенов; для турецкого языка создан специализированный токенизатор. Модель предсказывает замаскированные токены и извлекает контекстуальные признаки для последующих задач. Её можно применять для турецкой классификации текстов, распознавания сущностей и ответов на вопросы, а также как основу для эмбеддингов и поиска по юридическим документам. В README отмечено, что предварительное обучение само по себе даёт ограниченную пользу для retrieval без дополнительной настройки под эмбеддинги. Доступны веса PyTorch, Safetensors и ONNX; лицензия — Apache-2.0.

Harvinder6766/news_sentiment_sentence_v1 — модель классификации текста на основе DistilBERT, дообученная для анализа тональности новостных предложений. Она принимает текст и относит его к классам тональности; размер контекста составляет 512 токенов. Модель сохранена в формате Safetensors и распространяется по лицензии Apache-2.0. На указанной в карточке оценочной выборке модель достигла accuracy 0,7785 и loss 0,5339. Датасет, состав классов, языки и подробные сценарии применения в карточке не раскрыты, поэтому эти результаты не позволяют судить о качестве на других данных.

openai-community/openai-gpt — версия модели GPT-1, первой трансформерной языковой модели OpenAI, разработанной Алеком Рэдфордом, Картиком Нарасимханом, Тимом Салимансом и Илией Суцкевером. Это плотный однонаправленный трансформер, предварительно обученный предсказывать следующий токен на корпусе BooksCorpus. Модель предназначена для генерации текста и языкового моделирования; её также можно дообучать для задач понимания языка, включая ответы на вопросы, классификацию текста и определение семантического сходства. Модель работает с текстом на английском языке и принимает последовательности длиной до 512 токенов. Карточка описывает оценки на задачах языкового вывода, чтения с пониманием, анализа тональности, рассуждений и других бенчмарках. Вывод может содержать фактические ошибки, стереотипы и оскорбительные формулировки; обобщение на необычные или специально подобранные примеры остаётся хрупким. Распространяется по лицензии MIT.

PIXIE-Splade-v1.0 — разреженный двуязычный поисковый энкодер, разработанный компанией TelePIX Co., Ltd. Модель предназначена для поиска документов и технической информации на корейском и английском языках, особенно в аэрокосмической области. Она формирует разреженные векторы размерностью 50 000, где веса токенов можно индексировать в Lucene или Elasticsearch и анализировать, чтобы понять, какие слова повлияли на совпадение. Модель построена на ModernBERT с архитектурой ModernBertForMaskedLM и пуллингом SPLADE; метаданные указывают 148,7 млн параметров и контекст до 16 384 токенов. В README заявлена максимальная длина последовательности 5 632 токена. Для оценки поиска приведены результаты на корейских и англоязычных наборах, включая аэрокосмический STELLA и бенчмарки MTEB и BEIR. Выходы подходят для разреженного поиска и гибридного ранжирования с плотными ретриверами. Модель распространяется по лицензии Apache-2.0. Она предназначена для извлечения признаков и поискового ранжирования, а не для генерации ответов; качество за пределами корейского и английского языков и аэрокосмических сценариев отдельно не подтверждено.